【node】Express

本文介绍如何使用Express.js创建Web服务器,包括安装、监听GET/POST请求、获取URL参数及托管静态资源等内容。

一、Express的基本使用

1、安装

npm i express@4.14.1

2、创建基本的Web服务器

//1、导入express
const express = require('express')
//2、创建web服务器
const app = express()
//3、启动web服务器
app.listen(80,()=>{
    console.log('express server running at http://127.0.0.1');
})

3、监听get、post请求

app.get('/user',(req,res)=>{
    //调用express提供的res.send()方法,向客户端响应一个JSON对象
    res.send({name:'zs',age:20,gender:'男'})
})
app.post('/user',(req,res)=>{
    //调用express提供的res.send()方法,向客户端响应一个文本字符串
    res.send('请求成功')
})

4、获取URL中的固定参数

app.get('/',(req,res)=>{
    //通过req.query可以获取到客户端发送过来的 查询参数
    //注意:默认情况下,req.query是一个空对象
    res.send(req.query)
})

5、获取URL中的动态参数

app.get('user/:id',(req,res)=>{
    //req.params默认是一个空对象
    //里面存放着通过 : 动态匹配的参数值
    console.log(req.params);
})

二、托管静态资源

1、express.static()

        快速的对外提供静态资源

app.use(express.static('public'))

2、挂载路径前缀

如果希望在托管的静态资源访问路径之前,挂载路径前缀,则可以使用如下的方式:

app.use('/public',express.static('public'))

三、nodemon

npm install -g nodemon

监听代码的变化,会自动重启服务器。

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值